DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
", "aboutText": "DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.\n\n### Mulakan dengan bahan dan hasil yang diperlukan\n\nBerikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.\n\nContoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.\n\n### Pilih sembang terus atau thinking\n\nFormat pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.\n\nPilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.\n\n### Hubungkan alat melalui aliran kerja aplikasi\n\nFormat natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.\n\nUntuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.\n\nPengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.\n\n### Agihkan ruang perbualan dan jawapan\n\nKonfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.\n\nResipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.\n\n### Bezakan keluaran daripada seni binanya\n\nKeluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.\n\nOutput yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.deepseek-v4-flash-0731DeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/messagestexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-v4-flash-0731 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring|content_block[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medansystem | Jenisstring|content_block[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had Minimum: 1 Had terpakai pada: had maksimum tepat bagi model/kad yang dipilih | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop_sequences | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenistool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].name | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: alat dibekalkan | Lalai— |
Medantools[].description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].input_schema | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.type | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.budget_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanoutput_config.effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmetadata | Jenisobject | KeperluanPilihan | Nilai & had | Lalai— |
Medancache_control | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
messages[].content atau blok type=text
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/messagesAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiOpenAI Chat · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-v4-flash-0731",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-v4-flash-0731",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='deepseek-v4-flash-0731',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/responsestexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-v4-flash-0731 | Lalai— |
Medaninput | Jenisstring|input_item[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medaninput[].type | Jenisstring | KeperluanPilihan | Nilai & had message, reasoning, function_call, function_call_output | Lalai— |
Medaninput[].content | Jenisstring|content_part[] | KeperluanPilihan | Nilai & had | Lalai— |
Medaninput[].call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: function_call_output; kekalkan call_id sebenar yang dipulangkan | Lalai— |
Medaninput[].output | Jenisstring|content_part[] | KeperluanPilihan | Nilai & had Terpakai apabila: function_call_output | Lalai— |
Medanmax_output_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenistool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning.effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning.summary | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantext.format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantext.verbosity | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninclude | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstore | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprevious_response_id | Jenisstring | KeperluanPilihan | Nilai & had Keperluan ID: Hanya ID respons sebenar daripada penerusan yang disokong Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_key | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
Teks input atau bahagian input_text
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/responsesAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiOpenAI Chat · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "deepseek-v4-flash-0731", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap item output dan bahagian kandungan, call_id fungsi sebenar, penaakulan disulitkan serta data penggunaan. Semasa penstriman, kekalkan identiti peristiwa/item yang lengkap.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanstatus | Jenisstring |
Medanoutput[] | Jenismessage|reasoning|function_call|other item |
Medanoutput[].content[] | Jeniscontent part |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-v4-flash-0731 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, messages |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/chat/completionsAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Jadual rujukan peringkat model tidak mengubah pemilihan kaedah, sebut harga atau caj. Caj aktif menggunakan kadar kaedah Ailoot yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiOpenAI Chat · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiOpenAI Chat · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Kadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiAnthropic Messages · Tahap 1 berdasarkan panjang permintaan | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="deepseek-v4-flash-0731",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-v4-flash-0731",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-v4-flash-0731',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v4-flash-0731 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-v4-flash-0731", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-v4-flash-0731',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-v4-flash-0731',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v4-flash-0731 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-v4-flash-0731",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-0731', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-0731', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had ~deepseek/deepseek-v4-flash-latest | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~deepseek/deepseek-v4-flash-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~deepseek/deepseek-v4-flash-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~deepseek/deepseek-v4-flash-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 ialah keluaran Flash rasmi untuk teks, pengekodan dan aliran kerja ejen. Ia menawarkan mod sembang langsung dan berfikir, output panggilan alat berstruktur serta konteks model sejuta token; edisi bertarikhnya merangkumi modul penyahkodan spekulatif DSpark.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0731 ialah keluaran rasmi cabang Flash yang menggantikan edisi pratontonnya. Fokus praktikalnya merangkumi pengaturcaraan dan kerja ejen: mentafsir repositori yang dibekalkan, mencadangkan perubahan, menggunakan pemerhatian alat dan mengembalikan hasil yang boleh diperiksa oleh pemanggil. Kekalkan edisi 0731 pada hasil yang disimpan apabila membandingkannya dengan Flash Preview, Pro 0813 atau V4.1 Flash.
Berikan tugasan sebenar, fail atau petikan dokumen yang berkaitan, kekangan dan hasil yang dijangka. Untuk perubahan repositori, sertakan kod yang terjejas, tingkah laku yang diperhatikan serta perintah atau permintaan yang menghasilkan semula masalah. Nyatakan sama ada hasilnya ialah penjelasan, cadangan patch, senarai penemuan atau pelan berstruktur.
Contoh arahan penyahpepijatan yang berguna ialah: “Gunakan pengendali laluan, skema pengesahan dan permintaan gagal yang dibekalkan. Terangkan bahagian input yang menyimpang daripada skema, cadangkan perubahan paling kecil dan kenal pasti semakan sedia ada yang dapat membezakan hasil yang telah dibetulkan.” Untuk tugasan dokumen, namakan bahagian yang dibekalkan dan minta jadual keperluan, bukti serta soalan yang belum terjawab. Ini ialah contoh arahan tugasan; sertakan bahan sumber sebenar bersama permintaan.
Format pengeluar menyokong sembang terus dan thinking. Sembang terus mengembalikan kandungan respons secara langsung. Thinking mengasingkan medan penaakulan model daripada jawapan akhirnya. Dalam mod thinking, pilihan usaha yang didokumenkan ialah low, high dan max, dengan low sebagai lalai. Edisi ini menggunakan tahap bernama tersebut, bukan skala usaha integer V4.1 Flash.
Pilih mod mengikut kerja. Perubahan ayat ringkas boleh menyatakan fakta yang perlu dikekalkan dan nada penggantinya. Tugasan repositori yang rumit boleh menetapkan langkah penyiasatan, bukti berkaitan dan laporan akhir yang padat. Pastikan hasil akhir yang diingini dinyatakan dengan jelas walaupun menggunakan usaha thinking lebih tinggi: contohnya, cadangan diff dengan penjelasan ringkas dan perintah untuk memeriksanya.
Format natif menyokong mesej berbilang giliran dan definisi alat dengan parameter serta skema bernama. Model boleh mengembalikan panggilan alat yang diminta; aplikasi melaksanakan operasi itu dan membekalkan pemerhatian yang terhasil pada giliran seterusnya. Hubungkan hasil alat dengan panggilannya yang sepadan dan kekalkan urutan apabila mengembalikan beberapa pemerhatian.
Untuk aliran pemeriksaan fail, dedahkan operasi pembacaan fail sebenar, terangkan laluan inputnya dan kembalikan kandungan yang diperhatikan. Minta model mendasarkan cadangan seterusnya pada kandungan itu. Untuk aliran data, berikan operasi pertanyaan dan kembalikan rekod sebenar; minta pengiraan atau ringkasan berdasarkan rekod tersebut. Panggilan yang dikembalikan dan operasi yang telah dilaksanakan ialah langkah berasingan untuk memperoleh hasil yang diminta.
Pengekod pengeluar mengekalkan konteks penaakulan sepanjang perbualan alat. Dalam sembang biasa, ia lazimnya membuang penaakulan giliran terdahulu sebelum mesej pengguna terkini. Gunakan medan mesej dan pengendalian perbualan yang didokumenkan apabila mengekalkan aliran kerja berbilang langkah. Penghurai rujukan menjangkakan output yang terbentuk dengan baik; oleh itu, periksa nama serta parameter panggilan yang telah dihuraikan sebelum melaksanakannya, dan simpan hasil tidak sah untuk diperiksa.
Konfigurasi model bertarikh ini menetapkan 1,048,576 kedudukan jujukan. Masukkan bahan yang dibekalkan, sejarah perbualan, definisi alat, pemerhatian yang dikembalikan dan respons yang dijana apabila menyediakan jujukan. Berikan sasaran jawapan yang berguna, seperti patch kecil, jadual bukti atau pelan bernombor, bukan memenuhi ruang tersedia dengan fail yang tidak berkaitan.
Resipi setempat pengeluar mengesyorkan temperature 1.0, dengan top_p 0.95 untuk kerja ejen dan 1.0 bagi tugasan lain. Untuk usaha thinking high dan max, resipi itu mengesyorkan panjang output maksimum 384K token. Ini ialah tetapan resipi yang diterbitkan dan saranan ruang penjanaan; ruang jujukan masih perlu menampung bahagian permintaan yang lain.
Keluaran 0731 menggunakan struktur Flash DSpark, termasuk modul speculative decoding yang disertakan. Backbone Flash asasnya ialah model campuran pakar yang diterangkan mempunyai 284 bilion parameter keseluruhan dan 13 bilion parameter diaktifkan bagi setiap token. Bezakan bilangan backbone ini daripada sebarang pemberat modul tambahan. Konfigurasi bertarikh yang tepat ini mempunyai 43 lapisan, 256 pakar yang dirutekan, satu pakar dikongsi dan enam pakar dipilih bagi setiap token.
Output yang berguna kekal sebagai jawapan, cadangan kod, penemuan berstruktur atau langkah aliran kerja seterusnya yang diminta pemanggil. Periksa perubahan kod terhadap fail yang dibekalkan dan kegagalan yang diperhatikan. Periksa kesimpulan dokumen terhadap petikan yang dirujuk atau rekod yang dikembalikan. Simpan edisi model, arahan tugasan dan pemerhatian berkaitan bersama hasil supaya perbandingan kemudian menggunakan masalah dan bukti yang sama.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had ~deepseek/deepseek-v4-flash-latest | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00088 / 1K token Output · Token output $0.00264 / 1K token Input · Bacaan cache $0.000056 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "~deepseek/deepseek-v4-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~deepseek/deepseek-v4-flash-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~deepseek/deepseek-v4-flash-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
Contoh teknikal dalam bahasa Inggeris
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.